LiRongLu_的博客

【代码】C#实现凸壳算法。

【代码】C#实现图像骨架化（ZhangSuen细化算法）。由于C#中无法直接调用OpenCV中的cv2.ximgproc.thinning函数，故需要手写一个实现该功能的代码。

近年来，神经网络的快速发展使图像去噪受益匪浅。然而，对大量去噪图像对的监督要求限制了这些模型的广泛应用。虽然已经有一些尝试只使用单个噪声图像来训练图像去噪模型，但现有的自监督去噪方法存在网络训练效率低、有用信息丢失或依赖噪声建模的问题。在本文中，提出了一种非常简单但有效的方法，称为Neighbor2Neighbor，用于训练仅含噪图像的有效图像去噪模型。首先，提出了一种随机邻居子采样器，用于生成训练图像对。

近年来，自监督神经网络在图像去噪方面表现出了良好的性能。然而，当前的无数据集方法要么计算成本高，要么需要噪声模型，要么图像质量不足。在这项工作中，作者展示了一个简单的2层网络，不需要任何训练数据或噪声分布的知识，可以以低计算成本实现高质量的图像去噪。作者的方法是由Noise2Noise和Neighbor2Neighbor驱动的，可以很好地去噪像素独立的噪声。几乎所有的监督式或者非监督去噪方式，包括作者提出的方法，都依赖于一个前提，就是干净的自然图片与具有不同分布方式的噪声图片，可以分解为一对下采样图像。

SAFT通过合成虚拟孔径和信号聚焦等技术，提供了一种提高成像分辨率和质量的有效方法。尽管其计算复杂度较高，但它在超声波成像、雷达成像等领域中表现出色，尤其适用于需要提高图像分辨率和对比度的应用。

本研究探讨了通过联合MRI和超声影像学来预测乳腺癌分子水平表达的可能性，涵盖了医学影像学、分子生物学和计算机视觉等多个领域。该任务的目标是利用影像数据预测乳腺癌的分子标志物（如HER2、ER、PR等）表达水平，从而帮助诊断、预后评估及治疗决策。研究方向影像特征提取：通过分析MRI和超声影像中的纹理、形态学特征、血流情况等，提取与肿瘤生物学特征相关的信息。多模态影像融合：通过深度学习模型（如联合卷积网络）将MRI和超声影像进行融合，提高预测的准确性。预测分子水平表达。

向《智能系统学报》投稿的详细历程。该期刊为中国人工智能学会主办、双月刊的核心期刊，影响因子为2.755，且被多个国际学术数据库收录。文章介绍了投稿过程中的各个关键节点，包括初审、返修、外审、终审和最终录用等环节。作者提交了一篇综述文章，投稿周期较长，历时约7个月，期间经历了初审通过、要求修改后再审、外审和专家终审等多个阶段。通过详细的审稿人反馈，作者对文章进行了大幅度修改，增加了最新研究成果，并优化了文章结构。最终，文章在经历严格的审稿和修改过程后，于2024年10月被正式录用

一种新的高效多尺度卷积注意力解码器，旨在优化性能和计算效率。EMCAD利用独特的多尺度深度卷积块，通过多尺度卷积显著增强特征映射。EMCAD还采用通道、空间和分组（大核）门控注意机制，这些机制在捕获复杂的空间关系时非常有效，同时关注突出区域。通过使用组卷积和深度卷积，EMCAD非常高效且可扩展性好（例如，使用标准编码器时只需要1.91M参数和0.381G FLOPs）。

医疗影像分割 | 使用yolo v11训练自己的数据集。

本发明提出了一种基于双向交叉注意力机制的遥感图像船舰目标检测方法，旨在提升检测效率和准确性，同时降低计算复杂度。该方法首先将遥感图像分割成lookup tokens，并通过卷积层与位置嵌入生成输入tokens。然后，从输入tokens中采样压缩tokens，利用MHBC模块实现压缩tokens与lookup tokens间信息的有效交换。接着，压缩tokens通过自注意力和MLP进行特征提炼，而lookup tokens则通过反向MHBC模块接收全局上下文信息。最终，模型能够在保持高性能的同时，减少计算资源

目的： 在仅有视频级动作标签的情况下，定位视频中的动作实例。现有方法： 主要采用基于分类的定位管道，通过视频分类损失优化片段级预测。但此方法存在分类与检测之间的差异，导致前景与背景片段分离不准确。提出的新方法： 通过无监督片段聚类探索片段间的底层结构，减少对视频分类损失的依赖。核心组件：片段聚类组件：将片段分组到多个潜在集群中。集群分类组件：将集群进一步分类为前景或背景。伪标签生成： 引入基于最优传输的自标记机制，生成高质量伪标签以匹配先验分布，确保片段的聚类与其餐饮标签准确关联

U-KAN Makes Strong Backbone for Medical Image Segmentation and Generation，U-KAN结果看着不错，超过了U-Mamba。

使用经典算法对3D类器官进行分割计算类器官体积、密实度等形态特征类器官分割的主要步骤如下:将图像转换为灰度图像，并使用阈值法创建二值化图像。使用 'binary opening' 和 'dilation' 算法来关闭小孔并去除小斑点。这些操作是在 2D 'max-projection' 图像上进行的, 即投影所有z轴上的最大强度。将二值化后的图像与原始图像相乘, 以获得'清洁'后的图像。在单个视野(field)而不是整个well上执行上述步骤, 因为视野之间噪音和强度可能会有所不同。

在医学成像中，点云处理常用于3D重建、骨骼或器官的形状分析，以及术前规划和手术导航。PCL（Point Cloud Library）是一种广泛使用的开源库，提供了丰富的点云处理算法，适用于医疗图像的点云数据处理。

光学遥感图像中的显著性目标检测引起了广泛关注。为了解决物体大规模变化、背景杂乱、形状不规则和光照差异等问题，基于卷积神经网络（CNN）的模型被提出并展现了良好性能。然而，顶级模型通常依赖于较大的模型规模和高计算成本，这限制了其实际应用。为此，本文引入了完全压缩的多尺度（FSM）模块，能够将特征图从高维压缩到低维，并通过多尺度策略提升特征表征能力。基于FSM模块，构建了FSM推理网络（FSMI-Net），该网络具有更少的参数和更快的推理速度。特别地，FSMI-Net仅包含3.6M参数，对于384×384输入

这篇文章介绍了视频理解领域中的时间动作定位（TAL），其目的是在未剪辑的视频中定位动作的开始和结束时间，并识别其类别。虽然全监督的方法在该领域取得了显著进展，但由于需要帧级标注，成本高昂，因此弱监督时间动作定位（WTAL）方法得到了更多关注。WTAL只需要视频级标签（即动作类别）进行训练，但由于缺少帧级标注，在定位精确的动作上面临挑战，尤其是在处理包含动作和背景信息的模糊片段时。

一种创新的超轻量级医学图像分割网络UltraLight VM-UNet[1]，该网络通过将最新的状态空间模型（SSM）技术——Mamba，与经典的UNet架构相结合，该论文实现了皮肤病变分割任务 中参数数量和计算负载的显著减少。UltraLight VM-UNet的参数仅为0.049M，GFLOPs为0.060，相比传统模型在性能上保持竞争力甚至更优。

Celery不仅支持多种消息代理，还能够轻松处理定时任务和并发执行，使其成为现代应用程序架构中的重要组成部分。在这篇博文中，我们将深入探讨Celery的核心概念、基本用法以及在实际项目中的应用场景，帮助你掌握这一技术栈，为你的开发工作增添助力。让我们一起开始这段学习之旅吧！

Celery不仅支持多种消息代理，还能够轻松处理定时任务和并发执行，使其成为现代应用程序架构中的重要组成部分。在这篇博文中，我们将深入探讨Celery的核心概念、基本用法以及在实际项目中的应用场景，帮助你掌握这一技术栈，为你的开发工作增添助力。让我们一起开始这段学习之旅吧！

本文将深入探讨Django Channels的功能与应用，通过创建一个简单的实时聊天应用，带领读者一步步理解如何将这一技术栈应用于实际项目中。无论你是刚接触Django的初学者，还是希望扩展现有技能的开发者，这篇文章都将为你提供有价值的见解和实践经验。